ANALISIS DATA KUALITATIF

MODUL IV
LOG LINEAR 3 DIMENSI





Oleh :
1. Fitri Ayu Kusumawati 1313 201 045
2. Yuanita Damayanti 1313 201 047
3. Puspita Kartikasari 1313 201 048




Dosen :
Dr. Vita Ratnasari, S.Si., M.Si.



Jurusan Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember Surabaya
2013

Page | 1

I. TINJAUAN PUSTAKA
1.1 Log Linier 3 Dimensi
Log linier 3 dimensi digunakan untuk menggambarkan ada tidaknya hubungan antara
dua atau lebih variabel dan sekaligus untuk mengetahui sel-sel mana yang menyebabkan
dependensi.
Tabel 1.1 Organisasi Data
Var 1
(X
1
)
Var 2
(X
2
)
Var 3 (X
3
)
1 2 ... k
1
1 n
111
n
112
... n
11k

... ... .... ... ....
J

n
1ik

2
1

...

J

...
...

i
1

...

J

n
ijk


Keterangan : n
ijk
= banyaknya observasi pada baris ke-i, kolom ke-j, dan layer ke-k.
Dengan model (Wulandari, 2009) :
ABC
ijk
AC
ik
BC
jk
AB
ij
C
k
B
j
A
i ijk
V + + + + + + + = (1.1)
Jika antara ketiga variabel tersebut saling independent, maka taksiran nilai harapan dari
masing-masing sel adalah sebagai berikut :
2
...
.. . . ..
n
n n n
e
k j i
ij
= (1.2)
dimana : = =

= =
J
j
K
k
ijk i
n n
1 1
..
jumlah nilai observasi pada baris ke-i
= =

= =
I
i
K
k
ijk j
n n
1 1
. .
jumlah nilai observasi pada kolom ke-j
= =

= =
J
j
I
i
ijk k
n n
1 1
..
jumlah nilai observasi pada lyer ke-k
= =

= = =
I
i
J
j
K
k
ijk
n n
1 1 1
... jumlah seluruh nilai observasi
Bila kedua ruas persamaan (1.2) dinyatakan dalam bentuk logaritma didapatkan :
log
ijk
e = log
.. i
n + log
. . j
n + log
k
n
..
- 2 log
...
n (1.3)
yang analog dengan :
ABC
ijk
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + + = log
Page | 2

Arti dari model tersebut adalah variabel 1, 2 dan 3 ada dalam model, tapi tidak ada
interaksi antara ketiganya (ketiga variabel independen). Dimana :
= grand mean dari logaritma jumlah nilai harapannya atau rata-rata dari seluruh logarima
nilai harapannya.
ijk
I
i
J
j
K
k
e
IJK

= = =
=
1 1 1
log
1

(1.4)
= +
A
i
main effect variabel 1 atau pengaruh dari variabel 1 terhadap model.

= =
= +
J
j
ijk
K
k
A
i
e
JK
1 1
log
1
(1.5)
= +
B
j
main effect variabel 2 atau pengaruh dari variabel 2 terhadap model.

= =
= +
I
i
ijk
K
k
B
j
e
IK
1 1
log
1
(1.6)
= +
C
k
main effect variabel 3 atau pengaruh dari variabel 3 terhadap model

= =
= +
I
i
ijk
J
j
C
k
e
IJ
1 1
log
1
(1.7)
) ( 1 i
u dan
) ( 2 j
u dan
) ( 3 k
u menunjukkan deviasi penyimpangan dari u sehingga

= = =
= = =
K
k
C
k
J
j
B
j
I
i
A
i
1 1 1
0
Jika terdapat interaksi pada ketiga variabel, maka model menjadi

ABC
ijk
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + + = log (1.8)
dimana :
0
1 1 1 1 1 1 1 1 1
= = = =

= = = = = = = = =
I
i
J
j
ABC
ijk
K
k
J
j
BC
jk
K
k
K
k
AC
ik
I
i
AB
ij
I
i
J
j

dengan :









Page | 3

Tabel 1.2 Resume Derajat bebas untuk Log Linear 3 Dimensi
Bentuk Db
1
A
i

I-1
B
j

J-1
C
k

K-1
AB
ij

(I-1)(J-1)
AC
ik

(I-1)(K-1)
BC
jk

(J-1)(K-1)
ABC
ijk

(I-1)(J-1)(K-1)
Total

IJK

1.2 Uji Independensi
Uji Independen adalah uji yang digunakan untuk melihat variabel yang diteliti bebas
artinya tidak memiliki hubungan satu sama lain.Untuk melihat apakah variabel independen
atau tidak yaitu dengan diuji korelasi. Uji korelasi digunakan untuk menguji hubungan antara
dua variabel yang tidak menunjukkan hubungan fungsional (berhubungan bukan berarti
disebabkan) (Daniel, 1989). Uji hipotesis pada uji korelasi adalah sebagai berikut.
Hipotesis :
H
0
: Tidak terdapat hubungan yang signifikan antar kedua variabel
H
1
: Terdapat hubungan yang signifikan antar kedua variabel
Statistik uji :


= = =

=
K
k
ijk
ijk ijk
J
j
I
i
hit
e
e n
X
1
2
1 1
2
) (
(1.9)
Nilai X
2
diatas kemudian dibandingkan dengan nilai X
2
pada tabel. Dengan daerah
kritisnya Tolak H
0
jika X
2
hitung
> X
2
tabel
(Wulandari, 2009).

1.3 Pemilihan Model Terbaik
Pemilihan model terbaik dapat dilakukan dengan 3 cara yaitu.
1.3.1 Uji K-Way
1. Pengujian interaksi pada derajat K atau lebih sama dengan nol (Test that K-Way and
higher order effect are zero) uji ini didasarkan pada hipotesis bahwa efek order ke-K dan
yang lain tinggi sama dengan nol. Pada model log liniear hipotesisnya sebagai berikut.
Untuk K=3
H
0
: Efek order ke-3 = 0 (
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + = log )
H
1
: Efek order ke-3 0 (
ABC
ijk
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + + = log )
Page | 4

Untuk K = 2
H
0
: Efek order ke-2 = 0 (
C
k
B
j
A
i ijk
e + + + = log )
H
1
: Efek order ke-2 0 (
ABC
ijk
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + + = log )
Untuk K = 1
H
0
: Efek order ke-1 dan yang lebih tinggi = 0 ( =
ijk
e log )
H
1
: Efek order ke-2 dan yang lebih tinggi 0
(
ABC
ijk
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + + = log )
2. Pengujian interaksi pada derajat K sama dengan nol (Test that K-Way and higher order
effect are zero) uji ini didasarkan pada hipotesis bahwa efek order ke-K sama dengan nol.
Pada model log liniear hipotesisnya sebagai berikut.
Untuk K = 1
H
0
: Efek order ke-1 = 0 ( 0 = = =
C
k
B
j
A
i
)
H
1
: Efek order ke-1 0 ( 0 =
A
i
atau 0 =
B
j
atau 0 =
C
k
)
Untuk K = 2
H
0
: Efek order ke-2 = 0 ( 0 = = =
BC
jk
AC
ik
AB
ij
)
H
1
: Efek order ke-2 0 ( 0 =
AB
ij
atau 0 =
AC
ik
atau 0 =
BC
jk
)
Untuk K = 3
H
0
: Efek order ke-3 = 0 ( 0 =
ABC
ijk
)
H
1
: Efek order ke-3 0 ( 0 =
ABC
ijk
)
Kriteria penolakan G
2
>

maka tolak H
0
(Wulandari, 2009).
1.3.2 Uji Asosiasi Parsial
Pengujian ini mempunyai tujuan untuk menguji semua parameter yang mungkin dari
suatu model lengkap baik satu variabel yang bebas maupun untuk hubungan ketergantungan
beberapa variabel yang merupakan parsial dari suatu model lengkap. Hipotesisnya sebagai
berikut :
1. H
0
: X
1
dan X
2
independen dalam setiap level X
3
( 0 =
AB
ij
)
H
1
: X
1
dan X
2
dependen dalan setiap level X
3
( 0 =
AB
ij
)
Maka jika Terima H
0
loge
ijk
=
AC
ik
BC
jk
C
k
B
j
A
i
+ + + + +
2. H
0
: X
1
dan X
3
independen dalam setiap level X
2
( 0 =
AC
ik
)
H
1
: X
1
dan X
3
dependen dalan setiap level X
2
( 0 =
AC
ik
)
Page | 5

Maka jika Terima H
0
loge
ijk
=
BC
jk
AB
ij
C
k
B
j
A
i
+ + + + +
3. H
0
: X
2
dan X
3
independen dalam setiap level X
1
( 0 =
BC
jk
)
H
1
: X
2
dan X
3
dependen dalan setiap level X
1
( 0 =
BC
jk
)
Maka jika Terima H
0
loge
ijk
=
AC
ik
AB
ij
C
k
B
j
A
i
+ + + + +
4. H
0
: X
1
independen dalam setiap level ( 0 =
A
i
)
H
1
: X
1
dependen dalan setiap level ( 0 =
A
i
)
Maka jika Terima H
0
loge
ijk
=
C
k
B
j
+ +
5. H
0
: X
1
independen dalam setiap level ( 0 =
B
j
)
H
1
: X
1
dependen dalan setiap level ( 0 =
B
j
)
Maka jika Terima H
0
loge
ijk
=
C
k
A
i
+ +
6. H
0
: X
1
independen dalam setiap level ( 0 =
C
k
)
H
1
: X
1
dependen dalan setiap level ( 0 =
C
k
)
Maka jika Terima H
0
loge
ijk
=
B
j
A
i
+ +
Kriteria penolakan

>

maka tolak H
0
(Wulandari, 2009).

1.3.3 Eliminasi Backward
Metode Backward Elemination pada dasarknya menyeleksi model dengan
menggunakan prinsip hierarki, yaitu dengan melihat model terlengkap sampai dengan model
yang sederhana. Langkah-langkah yang dilakukan adalah
1. Anggap model (0) yaitu model XYZ sebagai model terbaik.
2. Keluarkan efek interaksi tiga faktor sehingga modelnya menjadi (XY, YZ, XZ) yang
disebut model (1).
3. Bandingkan model (0) dengan model (1) dengan hipotesis sebagai berikut.
H
0
: Model (1) = model terbaik (
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + = log )
H
1
: Model (0) = model terbaik (
ABC
ijk
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + + = log )
Statistik uji yang digunakan adalah Likelihood Ratio Test (G
2
).
4. Jika H
0
ditolak, maka dinyatakan bahwa model (0) adalah model terbaik. Tetapi jika
gagal tolak H
0
, maka bandingkan model (1) tersebut dengan model (0). Kemudian
salah satu interaksi dua faktor dikeluarkan dari model.
5. Untuk menentukan interaksi mana yang dikeluarkan terlebih dahulu maka dipilih nilai
G
2
terkecil.
Page | 6

6. Jika H
0
diterima maka Model (1) yang terbentuk, sehingga dibuat Model (2) dengan
hipotesis sebagai berikut.
a. H
0
: Model (2) = model terbaik (
BC
jk
AC
ik
C
k
B
j
A
i ijk
e + + + + + = log )
H
1
: Model (1) = model terbaik ( ) log
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + =
b. H
0
: Model (2) = model terbaik (
BC
jk
AB
ij
C
k
B
j
A
i ijk
e + + + + + = log )
H
1
: Model (1) = model terbaik ( ) log
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + =
c. H
0
: Model (2) = model terbaik (
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + = log )
H
1
: Model (1) = model terbaik (
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + = log )
(Wulandari, 2009)
II. APLIKASI DAN LANGKAH ANALISIS
2.1 Studi Kasus
Data yang digunakan adalah data karakteristik pelanggan koran Jawa Pos di daerah
Ketintang Surabaya yang dikutip dari tugas akhir Herman Fauzi 1392030039. Pada studi
kasus ini, ingin diketahui independensi, interaksi serta hubungan ketergantungan antara jenis
kelamin, usia dan berita yang disenangi oleh pelanggan dengan menggunakan log linear 3
dimensi dimana ketiga variabel tersebut dikategorikan sebagai berikut.
Tabel 2.1 Kategori Variabel
Variabel Kategori
Jenis kelamin 1 = Laki-laki
2 = Perempuan
Usia 1 = 25-37 tahun
2 = 38-50 tahun
3 = > 50 tahun
Berita yang disenangi 1 = Berita umum
2 = Berita metropolis
3 = Berita olahraga
Berikut ini merupakan tabel kontingensi dari data karakteristik pelanggan koran Jawa Pos.
Tabel 2.2 Kontingensi Karakteristik Pelanggan Koran Jawa Pos
Jenis
Kelamin
Usia
Berita yang disenangi
Koran I
(Berita Umum)
Koran 2
(Berita Metropolis)
Koran 3
(Berita Olahraga)
Laki-Laki
25-37 tahun 10 15 29
38-50 tahun 25 23 27
> 50 tahun 48 27 25
Perempuan
25-37 tahun 15 15 10
38-50 tahun 10 9 1
> 50 tahun 3 5 3
Page | 7


2.2 Langkah Analisis
Langkah-langkah yang digunakan dalam menganalisis ketiga variabel karakteristik
pelanggan koran dengan menggunakan software SPSS adalah sebagai berikut.
1. Melakukan Weight Case
Data > Weight Case

Pilih Weight case by




Page | 8

Isi Frequency Variable dengan frekuensi.

2. Melakukan uji independensi
Analyze > Loglinier > General

Masukkan variabel Jeniskelamin, Usia, dan Berita ke Factor(s), pilih Model
Page | 9


Pada model, pilih custom. Masukkan variabel Jeniskelamin, Usia, dan Berita ke
terms in model dengan pilihan type main effect









Page | 10

3. Menguji Interaksi k-suku atau lebih adalah nol
Analyze > Loglinier > Model Selection

Masukkan variabel Jeniskelamin, Usia, dan Berita ke Factor(s) kemudian melakukan
Define range, Jeniskelamin 1-2, Usia 1-3, dan Berita 1-3.








Page | 11

Pilih Enter in single step, kemudian pilih Model

Pada Model, pilih Saturated > Continue










Page | 12

Pilih Option, kemudian klik Parameter estimates dan Association table.
Continue > OK


III. ANALISIS DAN PEMBAHASAN
3.1 Uji Independensi
H
0
: Tidak ada hubungan antara ketiga variabel (jenis kelamin,usia, dan berita yang
disenangi).
H
1
: Ada hubungan antara ketiga variabel (jenis kelamin,usia, dan berita yang disenangi).
= 5 %
Daerah Kritis : _
2
hitung
> _
2
((i-1)(j-1)+(i-1)(k-1)+(j-1)(k-1)-(i-1)(j-1)(k-1),)

_
2
hitung
> _
2
((2-1)(3-1)+(2-1)(3-1)+(3-1)(3-1)-(2-1)(3-1)(3-1),)
_
2
hitung
> _
2
(12, 0,05)

_
2
hitung
> 21,0642 atau G
2
> 21,0642

Statistik Uji:









Page | 13

Tabel 3.1 Frekuensi Harapan Data Berdasarkan Output SPSS
Jeniskelamin Usia Berita
Observed Expected
Count % Count %
Laki-laki
25-27
tahun
Umum 10 3.3% 26.549 8.8%
Metropolis 15 5.0% 22.483 7.5%
Olahraga 29 9.7% 22.722 7.6%
38-50
tahun
Umum 25 8.3% 26.831 8.9%
Metropolis 23 7.7% 22.722 7.6%
Olahraga 27 9.0% 22.964 7.7%
>50 tahun
Umum 48 16.0% 31.350 10.5%
Metropolis 27 9.0% 26.549 8.8%
Olahraga 25 8.3% 26.831 8.9%
Perempuan
25-27
tahun
Umum 15 5.0% 8.231 2.7%
Metropolis 15 5.0% 6.971 2.3%
Olahraga 10 3.3% 7.045 2.3%
38-50
tahun
Umum 10 3.3% 8.319 2.8%
Metropolis 9 3.0% 7.045 2.3%
Olahraga 1 .3% 7.120 2.4%
>50 tahun
Umum 3 1.0% 9.720 3.2%
Metropolis 5 1.7% 8.231 2.7%
Olahraga 3 1.0% 8.319 2.8%

Selain menggunakan output SPSS, nilai ekspektasi dapat dihitung menggunakan
rumus:

2
...
.. . ..
.
n
n n
e
k n j i
ijk

=
55 , 26
300
111 94 229
n...

2 2
1 .. . 1 . .. 1
111
=

=

=
n n n
e
48 , 22
300
94 94 229
n...

2 2
2 .. . 1 . .. 1
112
= = =
x x n x n x n
e
72 , 22
300
95 94 229
n...

2 2
3 .. . 1 . .. 1
113
= = =
x x n x n x n
e
83 , 26
300
111 95 229
n...

2 2
1 .. . 2 . .. 1
121
= = =
x x n x n x n
e
72 , 22
300
94 95 229
n...

2 2
2 .. . 2 .. 1
122
= = =
x x n x n x n
e
96 , 22
300
95 95 229
n...

2 2
3 .. . 2 . .. 1
123
= = =
x x n x n x n
e
35 , 31
300
111 111 229
n...

2 2
1 .. . 3 .. .. 1
131
= = =
x x n x n x n
e
55 , 26
300
94 111 229
n...

2 2
2 .. . 3 . .. 1
132
= = =
x x n x n x n
e
Page | 14

83 , 26
300
95 111 229
n...

2 2
3 .. . 3 . .. 1
133
= = =
x x n x n x n
e
23 , 8
300
111 94 71
n...

2 2
1 .. . 1 . .. 2
211
= = =
x x n x n x n
e
97 , 6
300
94 94 71
n...

2 2
2 .. . 1 . .. 2
212
= = =
x x n x n x n
e
04 , 7
300
95 94 71
n...

2 2
3 .. . 1 . .. 2
213
= = =
x x n x n x n
e
32 , 8
300
111 95 71
n...

2 2
1 .. . 2 . .. 2
221
= = =
x x n x n x n
e
04 , 7
300
94 95 71
n...

2 2
2 .. . 2 . .. 2
222
= = =
x x n x n x n
e
12 , 7
300
95 95 71
n...

2 2
3 .. . 2 . .. 2
223
= = =
x x n x n x n
e
72 , 9
300
111 111 71
n...

2 2
1 .. . 3 . .. 2
231
= = =
x x n x n x n
e
23 , 8
300
94 111 71
n...

2 2
2 .. . 3 . .. 2
232
= = =
x x n x n x n
e
32 , 8
300
95 111 71
n...

2 2
3 .. . 3 . .. 2
233
= = =
x x n x n x n
e

Tabel 3.2 Nilai Ekspektasi Berdasarkan Perhitungan Manual
Jenis
Kelamin
Usia
Berita yang disenangi
Koran I
(Berita Umum)
Koran 2 (Berita
Metropolis)
Koran 3 (Berita
Olahraga)
Laki-Laki
25-37 tahun 26.55 22.48 22.72
38-50 tahun 26.83 22.72 22.96
> 50 tahun 31.35 26.55 26.83
Perempuan
25-37 tahun 8.23 6.97 7.04
38-50 tahun 8.32 7.04 7.12
> 50 tahun 9.72 8.23 8.32
Nilai ekspektasi berdasarkan perhitungan manual pada Tabel 3.2 sama dengan
nilai pada kolom Expected-Count pada Tabel 3.1. Kemudian setelah mendapatkan nilai
ekspektasi maka dilakukan perhitungan uji Chi-Square atau perhitungan uji Nisbah
Kemungkinan G
2
.
Tabel 3.3 Nilai Uji Likelihood Ratio G
2
dan Nilai Uji Pearson Chi-Square
Value Df Sig.
Likelihood Ratio 60.527 12 0.000
Pearson Chi-Square 55.866 12 0.000




Page | 15

Tabel 3.4 Perhitungan Menggunakan Excel
kode
level
n
ijk
e
ijk
n
ijk
-e
ijk
(n
ijk
-e
ijk
)
2
(n
ijk
-e
ijk
)/e
ijk
n
ijk
/e
ijk
n
ijk
ln (n
ijk
/e
ijk
)
111 10 26,55 -16,55 273,86 10,32 0,38 -9,76
112 15 22,48 -7,48 55,99 2,49 0,67 -6,07
113 29 22,72 6,28 39,41 1,73 1,28 7,08
121 25 26,83 -1,83 3,35 0,12 0,93 -1,77
122 23 22,72 0,28 0,08 0,00 1,01 0,28
123 27 22,96 4,04 16,29 0,71 1,18 4,37
131 48 31,35 16,65 277,22 8,84 1,53 20,45
132 27 26,55 0,45 0,20 0,01 1,02 0,46
133 25 26,83 -1,83 3,35 0,12 0,93 -1,77
211 15 8,23 6,77 45,82 5,57 1,82 9,00
212 15 6,97 8,03 64,47 9,25 2,15 11,50
213 10 7,04 2,96 8,73 1,24 1,42 3,50
221 10 8,32 1,68 2,83 0,34 1,20 1,84
222 9 7,04 1,96 3,82 0,54 1,28 2,20
223 1 7,12 -6,12 37,45 5,26 0,14 -1,96
231 3 9,72 -6,72 45,16 4,65 0,31 -3,53
232 5 8,23 -3,23 10,44 1,27 0,61 -2,49
233 3 8,32 -5,32 28,29 3,40 0,36 -3,06
TOTAL
55,86

30,26
86 , 55
) (
2
1
3
1
3
1
2
2
=

=

= = =
ijk
I j k
ijk ijk
e
e n
_
52 , 60
26 , 30 2
ln ) ( 2
2
1
3
1
3
1
2 2
=
=
=

= = =
ijk
ijk
ijk
I j k
ijk ijk
e
n
n e n G

Kesimpulan: Karena _
2
hitung
yaitu 55,86 dan G
2
= 60,52 yang lebih dari 21,0642
maka tolak H
0
, sehingga ada hubungan antara ketiga variabel (jenis kelamin,usia, dan
jenis berita yang disenangi).

3.2 Analisis Log Linear
Analisis log linear pada kasus ini, terdapat tiga kategori yaitu:
1. Kategori A yaitu Jenis Kelamin
1: Laki laki
2: Perempuan
2. Kategori B yaitu Umur
1: 25 37 tahun
2: 38 50 tahun
3: > 50 tahun
Page | 16

3. Kategori C yaitu Jenis Berita
1: Koran 1 (Berita Umum)
2: Koran 2 (Berita Metropolis)
3: Koran 3 (Berita Olahraga)
Secara umum, model log linear dari kasus ini adalah :
ABC
ijk
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + + = log

dengan keterangan:
i : level variabel A
j : level variabel B
k : level variabel C

3.3 Seleksi Model dengan metode K-Way
Tabel 3.5 K-Way and Higher-Order Effects
K Df
Likelihood Ratio Pearson
Number
of
Iterations
Chi-Square Sig.
Chi-
Square
Sig.
K-way and
Higher Order
Effects
a

1 17 151.670 0.000 148.920 0.000 0
2 12 60.527 0.000 55.866 0.000 2
3 4 7.082 0.132 7.470 0.113 4
K-way Effects
b

1 5 91.143 0.000 93.054 0.000 0
2 8 53.445 0.000 48.396 0.000 0
3 4 7.082 0.132 7.470 0.113 0

1. Test untuk interaksi K-suku atau lebih adalah nol
Test ini berdasarkan pada hipotesis bahwa efek order ke-K atau lebih sama dengan nol.
Test ini dimulai dari order tertinggi hingga order terendah.
1. Untuk k = 3
H
0
: order ke-3 sama dengan nol (
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + = log )
H
1
: order ke-3 tidak sama dengan nol
(
ABC
ijk
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + + = log
)
= 5 %
Daerah Kritis : _
2
hitung
> _
2
((i-1)(j-1)(k-1),)

_
2
hitung
> _
2
((2-1)(3-1)(3-1),)
_
2
hitung
> _
2
(4, 0,05)

_
2
hitung
> 9,4877 atau G
2
> 9,4877
Page | 17

Statistik Uji :
_
2
= 7,470
G
2
= 7,082
Kesimpulan :
Karena nilai _
2
yaitu 7,470 dan nilai G
2
7,082 kurang dari 9,4877 maka gagal tolak H
0
.
Kesimpulan ini juga didapatkan dari nilai P-Value pada uji Chi-Square 0,113 yang lebih
besar dari alpha 0,05. Sehingga keputusannya adalah order ke-3 sama dengan nol atau
model log linearnya adalah
ABC
ijk
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + + = log
2. Untuk k = 2
H
0
: order ke-2 sama dengan nol (
C
k
B
j
A
i ijk
e + + + = log )
H
1
: order ke-2 tidak sama dengan nol
(
ABC
ijk
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + + = log )
= 5 %
Daerah Kritis : _
2
hitung
> _
2
((i-1)(j-1)+(i-1)(k-1)+(j-1)(k-1)-(i-1)(j-1)(k-1),)

_
2
hitung
> _
2
((2-1)(3-1)+(2-1)(3-1)+(3-1)(3-1)-(2-1)(3-1)(3-1),)
_
2
hitung
> _
2
(12, 0,05)

_
2
hitung
> 21,0642 atau G
2
> 21,0642

Statistik Uji :
Nilai ekspektasi (e) untuk masing-masing level ditampilkan pada Tabel 3.2, dan
perhitungannya pada Tabel 3.4.
Sehingga statistik uji yang didapatkan adalah
86 , 55
) (
2
1
3
1
3
1
2
2
=

=

= = =
ijk
I j k
ijk ijk
e
e n
_
52 , 60
26 , 30 2
ln ) ( 2
2
1
3
1
3
1
2 2
=
=
=

= = =
ijk
ijk
ijk
I j k
ijk ijk
e
n
n e n G

Kesimpulan :
Karena nilai _
2
yaitu 55,86 dan nilai G
2
60,52 lebih dari 21,0642 maka tolak H
0
.
Kesimpulan ini juga didapatkan dari nilai P-Value pada uji Chi-Square 0 yang kurang
dari alpha 0,05. Sehingga keputusannya adalah order ke-2 tidak sama dengan nol atau
model log linearnya adalah
ABC
ijk
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + + = log

Page | 18

3. Untuk k = 1
H
0
: order ke-1 sama dengan nol ( =
ijk
e log )
H
1
: order ke-1 tidak sama dengan nol
(
ABC
ijk
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + + = log
)
= 5 %
Daerah Kritis : _
2
hitung
> _
2
((i-1)+(j-1)+(k-1)+(i-1)(j-1)+(i-1)(k-1)+(j-1)(k-1)-(i-1)(j-1)(k-1),)

_
2
hitung
> _
2
((2-1)+(3-1)+(3-1)+(2-1)(3-1)+(2-1)(3-1)+(3-1)(3-1)-(2-1)(3-1)(3-1),)
_
2
hitung
> _
2
(17, 0,05)

_
2
hitung
> 27,587 atau G
2
> 27,587

Statistik Uji :
67 , 16
18
300
18
...
= = =
n
e
ijk

Tabel 3.6 Nilai Ekspektasi Berdasarkan Perhitungan Manual pada Order K = 1
Jenis
Kelamin
Usia
Berita yang disenangi
Koran I
(Berita Umum)
Koran 2 (Berita
Metropolis)
Koran 3 (Berita
Olahraga)
Laki-Laki
25-37 tahun 16,67 16,67 16,67
38-50 tahun 16,67 16,67 16,67
> 50 tahun 16,67 16,67 16,67
Perempuan
25-37 tahun 16,67 16,67 16,67
38-50 tahun 16,67 16,67 16,67
> 50 tahun 16,67 16,67 16,67

Tabel 3.7. Perhitungan Menggunakan Excel
kode
level
e
ijk
n
ijk
n
ijk
-e
ijk
(n
ijk
-e
ijk
)
2
/e
ijk
n
ijk
/e
ijk
n
ijk
x ln n
ijk
/e
ijk

111 16.67 10 -6.67 2.67 0.6 -5.109
112
16.67
15 -1.67 0.17 0.9 -1.580
113
16.67
29 12.33 9.127 1.74 16.063
121
16.67
25 8.33 4.167 1.5 10.137
122
16.67
23 6.33 2.407 1.38 7.408
123
16.67
27 10.33 6.407 1.62 13.025
131
16.67
48 31.33 58.907 2.88 50.774
132
16.67
27 10.33 6.407 1.62 13.025
133
16.67
25 8.33 4.167 1.5 10.137
211
16.67
15 -1.66 0.167 0.9 -1.580
212
16.67
15 -1.66 0.167 0.9 -1.580
213
16.67
10 -6.66 2.667 0.6 -5.108
221
16.67
10 -6.66 2.667 0.6 -5.108
222
16.67
9 -7.66 3.527 0.54 -5.545
223
16.67
1 -15.67 14.727 0.06 -2.813
Page | 19

231
16.67
3 -13.67 11.207 0.18 -5.144
232
16.67
5 -11.67 8.167 0.3 -6.019
233
16.67
3 -13.67 11.207 0.18 -5.144
TOTAL
148.92
75,835
92 , 148
) (
2
1
3
1
3
1
2
2
=

=

= = =
ijk
I j k
ijk ijk
e
e n
_
670 , 151
835 , 75 2
ln ) ( 2
2
1
3
1
3
1
2 2
=
=
=

= = =
ijk
ijk
ijk
I j k
ijk ijk
e
n
n e n G

Kesimpulan :
Karena nilai _
2
yaitu 148,92 dan nilai G
2
151,670 lebih dari 27,587 maka tolak H
0
.
Kesimpulan ini juga didapatkan dari nilai P-Value pada uji Chi-Square 0,00 yang
kurang dari alpha 0,05. Sehingga keputusannya adalah order ke-2 tidak sama dengan nol
atau model log linearnya adalah
ABC
ijk
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + + = log

2. Test untuk interaksi K-suku adalah nol
Test ini didasarkan pada hipotesa bahwa efek order ke-K sama dengan nol.
1. Untuk k = 1
H
0
: efek order ke-1 sama dengan nol ( 0 = = =
C
k
B
j
A
i
)
H
1
: efek order ke-1 tidak sama dengan nol ( 0 =
A
i
atau 0 =
B
j
atau 0 =
C
k
)
= 5 %
Daerah Kritis : _
2
hitung
> _
2
(db1-db2,)

_
2
hitung
> _
2
(17-12,)
_
2
hitung
> _
2
(5, 0,05)

_
2
hitung
> 11,0705 atau G
2
> 11,0705

Statistik Uji :
G
2
= G
1
2
- G
2
2
= 151,670 60,527
= 91,143
Kesimpulan :
Karena nilai G
2
91,143 lebih dari 11,0705 maka tolak H
0
. Kesimpulan ini juga
didapatkan dari nilai P-Value pada uji Likelihood Ration 0 yang kurang dari alpha 0,05.
Sehingga keputusannya adalah order ke-1 tidak sama dengan nol.

Page | 20

2. Untuk k = 2
H
0
: efek order ke-2 sama dengan nol ( 0 = = =
BC
jk
AC
ik
AB
ij
)
H
1
: efek order ke-2 tidak sama dengan nol ( 0 =
AB
ij
atau 0 =
AC
ik
atau 0 =
BC
jk
)
= 5 %
Daerah Kritis : _
2
hitung
> _
2
(db2-db1,)

_
2
hitung
> _
2
(12-4,)
_
2
hitung
> _
2
(8, 0,05)

_
2
hitung
> 15,507 atau G
2
> 15,507
Statistik Uji :
G
2
= G
2
2
G
3
2
= 60,527 7,082
= 53,445
Kesimpulan :
Karena nilai G
2
adalah sebesar 53,445 lebih dari 15,507 maka tolak H
0
. Kesimpulan ini
juga didapatkan dari nilai P-Value pada uji Likelihood Ration 0 yang kurang dari alpha
0,05. Sehingga keputusannya adalah order ke-2 tidak sama dengan nol.
3. Untuk k = 3
H
0
: efek order ke-3 sama dengan nol ( 0 =
ABC
ijk
)
H
1
: efek order ke-3 tidak sama dengan nol ( 0 =
ABC
ijk
)
= 5 %
Daerah Kritis : _
2
hitung
> _
2
(db3,)

_
2
hitung
> _
2
(4,)


_
2
hitung
> 9,488 atau G
2
> 9,488

Statistik Uji :
G
2
= G
3
2
= 7,082
Kesimpulan :
Karena nilai G
2
7,082 kurang dari 9,488 maka gagal tolak H
0
. Kesimpulan ini juga
didapatkan dari nilai P-Value pada uji Likelihood Ration 0,132 yang lebih dari alpha
0,05. Sehingga keputusannya adalah order ke-3 sama dengan nol.



Page | 21

3. Test Asosiasi Parsial
Test ini bertujuan untuk menguji hubungan ketergantungan antara dua variabel
dalam setiap level variabel lainnya.
Tabel 3.8 Partial Association
Effect df
Partial
Chi-
Square
Sig.
Number
of
Iterations
Jeniskelamin*Usia 2 36.113 0.000 2
Jeniskelamin*Berita 2 12.851 0.002 2
Usia*Berita 4 15.520 0.004 2
Jeniskelamin 1 87.564 0.000 2
Usia 2 1.790 0.409 2
Berita 2 1.790 0.409 2

1. Untuk variabel jenis kelamin dan usia
H
0
: Jenis kelamin dan Usia independent dalam setiap level Koran (
AB
ij
=0)
H
1
: Jenis kelamin dan Usia dependent dalam setiap level Koran (
AB
ij
0)
= 5 %
Daerah Kritis : _
2
hitung
> _
2
((i-1)(j-1),)

_
2
hitung
> _
2
((2-1)(3-1),)
_
2
hitung
> _
2
(2, 0,05)

_
2
hitung
> 5,991 atau G
2
> 5,991

Statistik Uji :
Tabel 3.9 Tabulasi Silang Jenis Kelamin dan Usia
Jenis kelamin 25-37 tahun 38-50 tahun >50 tahun Total
Laki-laki 54 75 100 229
Perempuan 40 20 11 71
total 94 95 111 300

..
. .
n
n n
e
j i
ij

=

7533 , 71
300
94 229
n..
1 . . 1
11
=

=
n n
e

5167 , 72
300
95 229
n..
2 . . 1
12
= = =
x n x n
e

73 , 84
300
111 229
n..

3 . . 1
13
= = =
x n x n
e

2467 , 22
300
94 71
n..
1 . . 2
21
= = =
x n x n
e

Page | 22

4833 , 22
300
95 71
n..
2 . . 2
22
= = =
x n x n
e

27 , 26
300
111 71
n..
3 . . 2
23
= = =
x n x n
e

Tabel 3.10 e
ij
jenis kelamin dan umur
Jenis kelamin 25-37 tahun 38-51 tahun >50 tahun
Laki-laki 71,7533 72,5167 84,73
Perempuan 22,2467 22,4833 26,27
Nilai uji

db= (i-1)(j-1)=(2-1)(3-1)=2

Tolak Ho, Jenis kelamin dan Usia dependent dalam setiap level Koran.
2. Untuk variabel jenis kelamin dan koran
H
0
: Jenis kelamin dan koran independent dalam setiap level umur (
AC
ik
=0)
H
1
: Jenis kelamin dan Koran dependent dalam setiap level umur (
AC
ik
0)
= 5 %
Daerah Kritis : _
2
hitung
> _
2
((i-1)(k-1),)

_
2
hitung
> _
2
((2-1)(3-1),)
_
2
hitung
> _
2
(2, 0,05)

_
2
hitung
> 5,991 atau G
2
> 5,991

Statistik Uji :
Tabel 3.11 Jenis Kelamin dan Berita
Jenis kelamin Koran 1 Koran 2 Koran 3 Total
Laki-laki 83 65 81 229
Perempuan 28 29 14 71
total 111 94 95 300

..
. .
n
n n
e
k i
ik

=

73 , 84
300
111 229
n..
1 . . 1
11
= =

=
x n n
e

7533 , 71
300
94 229
n..
2 . . 1
12
= = =
x n x n
e

5167 , 72
300
95 229
n..
3 . .. 1
13
= = =
x n x n
e
Page | 23

27 , 26
300
111 71
n..
1 . . 2
21
= = =
x n x n
e
2467 , 22
300
94 71
n..
2 . .. 2
22
= = =
x n x n
e
4833 , 22
300
95 71
n..
3 . . 2
23
= = =
x n x n
e
Tabel 3.12. e
ik
Jenis Kelamin dan berita
Jenis kelamin Koran 1 Koran 2 Koran 3
Laki-laki 84,73 71,7533 72,5167
Perempuan 26,27 22,2467 22,4833
Nilai uji

db= (i-1)(j-1)=(2-1)(3-1)=2

Tolak Ho. Jenis kelamin dan Umur dependent dalam setiap level Koran
3. Untuk variabel umur dan koran
H
0
: Umur dan koran independent dalam setiap level jenis kelamin (
AB
jk
=0)
H
1
: Umur dan Koran dependent dalam setiap level jenis kelamin (
AB
jk
0)
= 5 %
Daerah Kritis : _
2
hitung
> _
2
((k-1)(j-1),)

_
2
hitung
> _
2
((3-1)(3-1),)
_
2
hitung
> _
2
(4, 0,05)

_
2
hitung
> 9,488 atau G
2
> 9,488

Statistik Uji :
Tabel 3.13 Tabulasi Silang Usia dan Berita
Umur Koran 1 Koran 2 Koran 3 Total
25-37 tahun 25 30 39 94
38-50 tahun 35 32 28 95
>50 tahun 51 32 28 111
total 111 94 95 300
..
. .
n
n n
e
k j
jk

=

78 , 34
300
111 94
n..
1 . . 1
11
=

=
n n
e

4533 , 29
300
94 94
n..
2 .. . 1
12
= = =
x n x n
e

Page | 24

7667 , 29
300
95 94
n..
3 .. . 1
13
= = =
x n x n
e

15 , 35
300
111 95
n..
1 . . 2
21
= = =
x n x n
e
7667 , 29
300
94 95
n..
2 . . 2
22
= = =
x n x n
e
0833 , 30
300
95 95
n...
2
3 .. . 2
23
= = =
x n x n
e
07 , 41
300
111 111
n..
1 . . 3
31
= = =
x n x n
e
78 , 34
300
94 111
n..
2 . . 3 .
32
= = =
x n x n
e
15 , 35
300
95 111
n..
3 . . 3
33
= = =
x n x n
e

Tabel 3.14. e
jk
Usia dan Berita
Umur Koran 1 Koran 2 Koran 3
25-37 tahun 34,78 29,4533 29,7667
38-50 tahun 35,15 29,7667 30,0833
>50 tahun 41,07 34,78 35,15
Nilai uji

db= (j-1)(k-1)=(3-1)(3-1)=4

Tolak Ho. Umur dan koran dependent dalam setiap level Koran.
4. Untuk variabel Jenis kelamin
H
0
: Jenis kelamin independent dalam model (
A
i
=0)
H
1
: Jenis kelamin dependent dalam model (
A
i
0)
= 5 %
Daerah Kritis : _
2
hitung
> _
2
((i-1),)

_
2
hitung
> _
2
((2-1),)
_
2
hitung
> _
2
(1, 0,05)

_
2
hitung
> 3,841 atau G
2
> 3,841

Statistik Uji :
Nilai uji

Page | 25

db= (i-1)=(2-1)=1

Tolak Ho, Jenis kelamin dependent dalam Model.
5. Untuk variabel Usia
H
0
: Usia independent dalam model (
B
j
=0)
H
1
: Usia dependent dalam model (
B
j
0)
= 5 %
Daerah Kritis : _
2
hitung
> _
2
((j-1),)

_
2
hitung
> _
2
((3-1),)
_
2
hitung
> _
2
(2, 0,05)

_
2
hitung
> 5,991 atau G
2
> 5,991

Statistik Uji :
Nilai uji

db= (j-1)=(3-1)=2

Gagal tolak Ho, Usia independent dalam Model.
6. Untuk variabel Berita
H
0
: Berita independent dalam model (
C
k
=0)
H
1
: Berita dependent dalam model (
C
k
0)
= 5 %
Daerah Kritis : _
2
hitung
> _
2
((k-1),)

_
2
hitung
> _
2
((3-1),)
_
2
hitung
> _
2
(2, 0,05)

_
2
hitung
> 5,991 atau G
2
> 5,991

Statistik Uji :
Nilai uji

db= (k-1)=(3-1)=2

Gagal tolak Ho, berita independent dalam Model.
Untuk mengetahui kecenderungan per cell, maka digunakan tabel assosiasi parsial sebagai
berikut.


Page | 26

Tabel 3.15 Tabel Assosiasi Parsial
Effect Parameter Estimate
Std.
Error
Z Sig.
95% Confidence
Interval
Lower
Bound
Upper
Bound
Jeniskelamin*Usia*Berita
1 -.180 .144 -1.250 .211 -.463 .102
2 .116 .138 .844 .399 -.154 .386
3 -.218 .159 -1.371 .170 -.531 .094
4 -.107 .157 -.681 .496 -.416 .201
Jeniskelamin*Usia
1 -.535 .104 -5.147 .000
(a)
-.739 -.332
2 .141 .127 1.111 .267 -.108 .389
Jeniskelamin*Berita
1 -.122 .112 -1.087 .277 -.341 .098
2 -.224 .107 -2.081 .037
(b)
-.434 -.013
Usia*Berita
1 -.271 .144 -1.878 .060 -.554 .012
2 -.092 .138 -.664 .506 -.362 .179
3 .243 .159 1.527 .127 -.069 .555
4 .137 .157 .871 .384 -.171 .445
Jeniskelamin 1 .643 .083 7.708 .000

.479 .806
Usia
1 .181 .104 1.739 .082 -.023 .385
2 -.084 .127 -.665 .506 -.333 .164
Berita
1 .099 .112 .883 .377 -.121 .318
2 .114 .107 1.063 .288 -.096 .325

Berdasarkan tabel 3.15 menunjukkan bahwa terdapat dua cell yang memiliki
kecenderungan, sel-sel tersebut adalah sebagai berikut.
(a) : Jenis kelamin kategori pertama (laki-laki) memiliki kecenderungan berusia
dengan kategori pertama (38-50 tahun) dalam pengamatan.
(b) : Jenis kelamin kategori pertama (laki-laki) memiliki kecenderungan untuk
memilih jenis berita kategori kedua (metropolis).

4. ELIMINASI BACKWARD
Metode Backward Elimination, pada dasarnya menyelesaikan model dengan
menggunakan prinsip hierarki, yaitu dengan melihat model terlengkap sampai dengan
model yang sederhana atau dimulai dari model umum (semua kemungkinan
dimasukkan).
Untuk memilih model terbaik, maka dibandingkan antara model 0 dengan model
1 dengan hipotesis sebagai berikut :
H
0
: Model 1 adalah model terbaik
H
1
: Model 0 adalah model terbaik
Model 0
ABC
ijk
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + + = log
Page | 27

Model 1
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + = log (interaksi antara tiga
variabel dihilangkan)
Daerah Kritis : _
2
hitung
> _
2
(db1-db0,)

_
2
hitung
> _
2
(12-4,)
_
2
hitung
> _
2
(8, 0,05)

_
2
hitung
> 15,507 atau G
2
> 15,507
Tabel 3.15 Step Summary

Step
a
Effects
Chi-
Square
c

df Sig.
Number
of
Iterations
0
Generating
Class
b

JENIS*UMUR*KORAN .000 0 .
Deleted
Effect
1 JENIS*UMUR*KORAN 7.082 8 0.528 4
1
Generating
Class
b

JENIS*UMUR,
JENIS*KORAN,
UMUR*KORAN
7.082 8 0.528
Deleted
Effect
1 JENIS*UMUR 36.113 4 0.000 2
2 JENIS*KORAN 12.851 4 0.012 2
3 UMUR*KORAN 15.520 4 0.004 2
2
Generating
Class
b

JENIS*UMUR,
JENIS*KORAN,
UMUR*KORAN
7.082 8 0.528

Statistik Uji :
G
2
= G
1
2
G
0
2
= 7,082 0
= 7,082
Kesimpulan :
Karena nilai G
2
7,082 kurang dari 15,507 maka gagal tolak H
0
. Kesimpulan ini juga
didapatkan dari nilai P-Value 0,528 yang lebih dari alpha 0,05. Sehingga keputusannya
adalah model 1 adalah model terbaik untuk iterasi pertama.
Untuk selanjutnya, dilakukan iterasi kedua yang terdiri dari tiga pengujian, pengujian
tersebut adalah sebagai berikut.
a. H
0
: Model (2) = model terbaik (
BC
jk
AC
ik
C
k
B
j
A
i ijk
e + + + + + = log )
H
1
: Model (1) = model terbaik ( ) log
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + =
o = 0,05
Daerah Kritis : _
2
hitung
> _
2
(db2-db1,)

Page | 28

_
2
hitung
> _
2
(12-8,)
_
2
hitung
> _
2
(4, 0,05)

_
2
hitung
> 9,488 atau G
2
> 9,488
Statistik Uji :
G
2
= 36,113
Kesimpulan :
Karena nilai G
2
36,113 lebih dari 9,488 maka tolak H
0
. Sehingga keputusannya
adalah model 1 adalah model terbaik pada iterasi kedua. Jadi keputusan akhir,
model terbaik adalah
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + = log
b. H
0
: Model (2) = model terbaik (
BC
jk
AB
ij
C
k
B
j
A
i ijk
e + + + + + = log )
H
1
: Model (1) = model terbaik ( ) log
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + =
o = 0,05
Daerah Kritis : _
2
hitung
> _
2
(db2-db1,)

_
2
hitung
> _
2
(12-8,)
_
2
hitung
> _
2
(4, 0,05)

_
2
hitung
> 9,488 atau G
2
> 9,488
Statistik Uji :
G
2
= 12,851
Kesimpulan :
Karena nilai G
2
12,851 lebih dari 9,488 maka tolak H
0
. Sehingga keputusannya
adalah model 1 adalah model terbaik pada iterasi kedua. Jadi keputusan akhir,
model terbaik adalah
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + = log
c. H
0
: Model (2) = model terbaik (
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + = log
)
H
1
: Model (1) = model terbaik (
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + = log )
o = 0,05
Daerah Kritis : _
2
hitung
> _
2
(db2-db1,)

_
2
hitung
> _
2
(12-8,)
_
2
hitung
> _
2
(4, 0,05)

_
2
hitung
> 9,488 atau G
2
> 9,488
Statistik Uji :
G
2
= 15,520
Kesimpulan :
Page | 29

Karena nilai G
2
15,520 lebih dari 9,488 maka tolak H
0
. Sehingga keputusannya
adalah model 1 adalah model terbaik pada iterasi kedua. Jadi keputusan akhir,
model terbaik adalah
BC
jk
AC
ik
AB
ij
C
k
B
j
A
i ijk
e + + + + + + = log